Design-Based Inference for Time-Series GMM¶
作者: Thomas Glinnan
主题: 经济理论 / 应用
相关性: 6/10
链接: https://arxiv.org/abs/2606.31685
一、领域脉络与小综述¶
这个方向是什么¶
本文研究的根本问题是：在时间序列GMM（广义矩估计）推断中，当研究者关心的是“在已实现的历史经济环境中，如果冲击的实现方式不同，估计结果会如何变化”时，应该如何进行统计推断？这对应的是“设计不确定性”（design-based uncertainty）框架，与传统的“基于抽样的不确定性”（sampling-based uncertainty）相对。传统方法将数据视为来自某个假设的平稳过程的随机样本，而设计方法则固定住已实现的历史环境（包括结果映射、状态转换规则、协变量路径等），仅将冲击的分配视为随机。该方向当前处于理论发展的早期阶段，主要聚焦于将横截面有限总体（finite-population）的推断逻辑推广到时间序列设定。
发展脉络¶
-
奠基工作：横截面有限总体推断
- Neyman (1923)：在随机化实验中，将潜在结果视为固定值，仅将处理分配视为随机。其方差公式包含一个未识别的负项（处理效应异质性），使得通常的plug-in方差估计是保守的。这是整个设计推断的基石。
- Abadie et al. (2020)：将有限总体推理扩展到回归分析，区分了基于抽样和基于设计的两种不确定性。
- Xu (2021) 和 Kakehi et al. (2026)：进一步将有限总体推理扩展到M-估计和过度识别的GMM。Kakehi et al. (2026) 的工作是本文最直接的横截面先驱，它研究了在无重叠的i.i.d.设定下，设计方差与HAC方差的关系。
-
主要进展：时间序列因果效应与实验
- Bojinov and Shephard (2019) 和 Rambachan and Shephard (2025)：为时间序列实验建立了潜在结果框架，将冲击历史视为随机输入，结果映射视为固定函数。这为本文的“冲击分配不确定性”提供了直接的理论基础。
- Bojinov et al. (2021) 和 Bojinov et al. (2023)：将时间序列实验扩展到面板数据和switchback实验设计，研究最优设计和基于随机化的推断。
- Liang and Recht (2025) 和 Lin and Ding (2025)：分别从系统辨识和回归/设计推断的角度，研究单个时间序列单元的随机化推断。
-
当前前沿与本文位置
- 当前的前沿是将上述设计推断思想与宏观经济学中广泛使用的GMM、HAC（异方差自相关一致）方差估计和局部投影（LP）等工具结合起来。本文是这一方向的关键一步。
- 本文的位置：本文填补了从横截面有限总体GMM（Kakehi et al., 2026）到时间序列GMM的空白。它明确指出，在时间序列设定下，传统HAC方差估计量收敛到的对象（Ω⁺_R）并非设计方差（Ω_R），而是设计方差加上一个由“均值矩路径”（mean-moment path）的长期方差（Ω_µ）构成的非负项。因此，对于有限历史估计量的标量函数，HAC推断是保守的。本文还提出了一个基于预定协变量的投影调整方法，可以在一定条件下收紧这个保守界。
子线索聚类¶
- 有限总体/设计推断：Neyman (1923), Abadie et al. (2020), Xu (2021), Kakehi et al. (2026), Sancibrián (2025)。这一簇的核心是固定潜在结果或环境，仅将分配机制视为随机，并研究由此产生的方差与标准方差公式的差异。
- 时间序列因果推断与实验：Bojinov and Shephard (2019), Rambachan and Shephard (2025), Bojinov et al. (2021, 2023), Liang and Recht (2025), Lin and Ding (2025)。这一簇为时间序列设定下的因果效应提供了潜在结果框架和随机化推断方法。
- 宏观计量经济推断（GMM, HAC, LP, VAR）：Hansen (1982), Newey and McFadden (1994), Newey and West (1987), Andrews (1991), Jordà (2005), Montiel Olea and Plagborg-Møller (2021), Plagborg-Møller and Wolf (2021)。这一簇是宏观实证的标准工具集。本文的工作是重新解释这些工具在设计框架下的行为。
核心问题与已知瓶颈¶
- 核心问题1：在时间序列GMM中，当研究者关心的是有限历史估计量（finite-history estimand）时，其渐近方差是什么？
- 核心问题2：传统的HAC方差估计量估计的是这个设计方差吗？如果不是，偏差是什么？
- 核心问题3：如何修正或改进HAC推断，使其对设计方差提供更紧的（或至少是保守的）推断？
- 已知瓶颈：设计方差Ω_R中的关键部分——均值矩路径的长期方差Ω_µ——在单一历史实现下是不可识别的。这类似于横截面Neyman公式中处理效应异质性项不可识别的问题。因此，无法直接估计Ω_R，只能寻求保守的界。
⚠️ 作者的Framing¶
- 作者的缺口框架：作者将缺口框架为“时间序列版本的有限总体方差计算”。他们声称，当研究者关心的是“已实现历史时期内的动态处理效应”时，传统HAC标准误是保守的，而他们提出的投影调整方法可以收紧这个保守界。这使得他们的工作成为“显然的下一步”。
- 淡化/回避的竞争路线：作者淡化了“无条件总体”（unconditional population）视角，即传统平稳渐近理论所关注的视角。他们明确指出，他们的结果适用于“有限历史”问题，而传统方差在预测等场景下仍然是相关的。他们回避了在“动态状态设计”（dynamic-state design）下，即当预定变量本身也受过去冲击影响时，投影调整的严格保守性解释需要额外的正交条件（Proposition 3），这在实际应用中可能难以验证。
- 值得查证的问题：作者在引言中提到了“固定-b”（fixed-b）渐近理论，但正文中并未深入探讨。固定-b方法在处理长期方差估计时可能提供不同的视角，值得研究者去查证其与本文设计方差框架的关系。此外，作者主要关注了Bartlett核，对于Quadratic Spectral核等其他核函数的情况，文中仅一笔带过，称需要单独论证。
张力¶
未见明显对立引用。所有被引工作基本都沿着“从横截面到时间序列”、“从简单实验到复杂GMM”的路径发展，彼此之间没有根本性的矛盾。主要的张力在于不同设定（如固定状态 vs. 动态状态）下，对调整方法有效性的解释强度不同，但这更多是条件差异而非结论对立。
二、最核心、最简单的例子 / 数学问题¶
第一步：符号、模型与可观测数据¶
-
符号：
T: 样本长度（时间序列的总期数）。t: 时间索引，t = 1, ..., T。W_t: 在时间t实现的“分配冲击”（assignment shock），是设计随机性的唯一来源。θ: 参数向量，θ ∈ Θ ⊂ ℝᵖ。g_t(W_t, θ): 在时间t的矩函数（moment function），是一个k维向量。它是冲击历史和参数的函数。θ⋆_T: 有限历史估计量（finite-history estimand）。它是使样本期内总体矩条件¯m_T(θ)的二次型最小化的参数值。这是研究者真正关心的对象。µ_{T,t}(θ): 日期特定均值矩（date-specific mean moment）。给定固定环境E_T，µ_{T,t}(θ) = E_T[g_t(W_t, θ)]。序列(µ_{T,t}(θ⋆_T))_{t≤T}被称为均值路径（mean path）。e_{T,t}(θ): 中心化创新（centered innovation）。e_{T,t}(θ) = g_t(W_t, θ) - µ_{T,t}(θ)。这是设计随机性的核心部分。˜µ_{T,t}: 中心化均值路径（centered mean path）。˜µ_{T,t} = µ_{T,t}(θ⋆_T) - T⁻¹∑_{s=1}^T µ_{T,s}(θ⋆_T)。这是均值路径减去其样本均值后的部分。Ω_R: 设计长期方差（design long-run variance）。中心化创新e_{T,t}的长期方差。Ω⁺_R: HAC方差极限（HAC variance limit）。传统HAC估计量收敛到的对象。Ω_µ: 均值路径长期方差（mean-path long-run variance）。中心化均值路径˜µ_{T,t}的长期方差。核心分解：Ω⁺_R = Ω_R + Ω_µ。
-
模型：
- 数据生成机制由一个固定的“环境”
E_T和随机的“分配冲击”W_t构成。E_T包含了所有被设计固定下来的东西：潜在结果映射、状态转换规则、确定性采样窗口、协变量路径等。 - 给定
E_T，矩函数g_t(W_t, θ)是冲击历史到矩贡献的映射。所有期望、概率和方差都是在这个条件设计分布下计算的。 - 模型不要求
g_t(W_t, θ⋆_T)是平稳的，因为其均值µ_{T,t}(θ⋆_T)可以随时间变化。
- 数据生成机制由一个固定的“环境”
-
可观测数据：
- 研究者实际能观测到的是
(Y_t(W_{1:t}), W_t)_{t=1}^T，即结果变量和冲击的实现值。 - 研究者可以计算样本矩
g_N(θ) = T⁻¹∑_{t=1}^T g_t(W_t, θ)。 - 不可观测/潜在量：
- 固定环境
E_T本身是未知的，它是一个理论构造。 - 日期特定均值矩
µ_{T,t}(θ⋆_T)是不可观测的，因为它需要对固定环境求期望。 - 中心化创新
e_{T,t}(θ⋆_T)也是不可观测的。 - 中心化均值路径
˜µ_{T,t}同样是不可观测的。
- 固定环境
- 识别依赖的假设：整个推断依赖于“局部正确设定”（Assumption 5），即
√T∥¯m_T(θ⋆_T)∥ = o(1)。这个假设保证了样本矩的均值在T⁻¹/²阶上是可忽略的，从而使得中心化矩的渐近理论成立。它不要求µ_{T,t}(θ⋆_T) = 0在每个日期都成立，因此允许均值路径漂移。
- 研究者实际能观测到的是
第二步：最小内核¶
本文的核心思想可以用一个最简单的特例来理解：一个单期、无重叠的局部投影（LP），其中冲击是i.i.d. Bernoulli的。这个特例直接退化为Neyman (1923)的横截面有限总体结果，并清晰地展示了时间序列版本的核心困难——序列相关性。
最简特例：
* 固定一个预测期h，令T_h = T - h。
* 假设冲击W_t是i.i.d. Bernoulli(p)的。
* 将每个日期t的两种潜在结果Y^{(1)}_{t+h}和Y^{(0)}_{t+h}视为固定常数（即它们属于固定环境E_T）。
* 研究者关心的是有限历史平均处理效应¯τ_h = T_h⁻¹∑_{t=1}^{T_h} (Y^{(1)}_{t+h} - Y^{(0)}_{t+h})。
* 估计量是LP斜率ˆτ_h，来自回归Y^{obs}_{t+h} = α_h + τ_h W_t + u_{t,h}。
在这个特例下，核心命题退化成什么？
Lemma 1 给出了ˆτ_h的方差：
Var(ˆτ_h) = (1/T_h) * Γ_h(0) + o(T_h⁻¹)
其中，
Γ_h(0) = (1/T_h) ∑_{t=1}^{T_h} [ (Y^{(1)}_{t+h} - ¯Y^{(1)}_h)²/p + (Y^{(0)}_{t+h} - ¯Y^{(0)}_h)²/(1-p) - (τ_{t,h} - ¯τ_h)² ]
证明怎么走？
1. 线性化：将ˆτ_h - ¯τ_h展开为T_h⁻¹∑ϕ_{t,h} + r_{T,h}，其中ϕ_{t,h}是影响函数，r_{T,h}是余项。
2. 证明余项可忽略：利用Bernoulli冲击的矩和Hoeffding不等式，证明E[r_{T,h}²] = o(1)。
3. 计算方差：由于W_t是i.i.d.的，ϕ_{t,h}在不同日期之间不相关。因此，Var(ˆτ_h)主要由Var(ϕ_{t,h})的均值决定。直接计算Var(ϕ_{t,h})即可得到Γ_h(0)的表达式。
为什么成立？
这个结果成立是因为在这个特例下，ϕ_{t,h}只依赖于当期的W_t和固定的潜在结果，因此没有序列相关性。方差中的- (τ_{t,h} - ¯τ_h)²项就是Neyman公式中的处理效应异质性项，它不可识别，导致通常的plug-in方差估计是保守的。
论文的一般情形如何“加壳”？
论文的一般情形将上述特例推广到：
1. 序列相关：中心化创新e_{T,t}可以序列相关，因此方差中除了同期项Γ_h(0)，还需要加上所有滞后项的协方差，形成长期方差Ω_R。
2. 均值路径漂移：µ_{T,t}(θ⋆_T)不再恒为零，其样本中心化后的路径˜µ_{T,t}本身也有长期方差Ω_µ。传统HAC估计量Ω⁺_R错误地将Ω_µ也计入了方差，导致保守性。
3. GMM框架：从简单的LP扩展到一般的GMM估计量，包括过度识别、VAR、工具变量等。
4. 投影调整：为了收紧保守的HAC界，引入预定协变量z_t来“解释”均值路径˜µ_{T,t}的一部分，从而减小Ω_µ的贡献。
一句话总结核心数学困难：在时间序列GMM中，设计方差Ω_R和HAC方差极限Ω⁺_R的差Ω_µ是一个不可识别的、非负的长期方差矩阵，它度量了固定历史中均值路径的可预测变化。本文的关键想法是：虽然无法直接估计Ω_R，但可以通过投影调整来减小Ω⁺_R，从而得到一个更紧的保守界。
三、这篇论文做了什么¶
三句话¶
- 研究问题：本文研究了在“设计不确定性”框架下，时间序列GMM估计量的推断问题。它关注的是有限历史估计量
θ⋆_T，其不确定性仅来源于冲击的重新分配。 - 核心工具/方法：本文的核心工具是均值路径分解（Proposition 1），将传统HAC方差极限
Ω⁺_R分解为设计方差Ω_R和一个非负的均值路径长期方差Ω_µ。基于此，提出了投影调整（regression adjustment） 方法，利用预定协变量来减小Ω⁺_R，从而收紧对Ω_R的保守界。 - 主要结论：传统HAC标准误对于有限历史估计量的标量函数是渐近保守的。投影调整可以在Loewner序下减小HAC方差极限，并在额外的长期正交条件下提供一个更紧的保守界。蒙特卡洛模拟和货币政策应用展示了这种区别在定量上的重要性。
关键设定与假设¶
- Assumption 1 (设计环境)：固定环境
E_T包含了所有被设计固定下来的元素。所有概率计算都是条件于E_T的。这是整个框架的基石。 - Assumption 2 (中心化创新CLT)：中心化创新
e_{T,t}满足一个三角阵列的CLT，其长期方差为Ω_R。这允许e_{T,t}具有弱依赖性，但不要求其平稳。 - Assumption 5 (局部正确设定)：
√T∥¯m_T(θ⋆_T)∥ = o(1)。这个假设保证了样本矩的均值在T⁻¹/²阶上是可忽略的，是得到简洁的GMM方差公式的关键。它比要求每个日期矩条件都成立要弱，允许均值路径漂移。 - Assumption 9 (均值路径正则性)：中心化均值路径
˜µ_{T,t}具有稳定的、可求和的固定滞后协方差极限。这个假设排除了均值路径中存在未被建模的持久低频成分（如永久性断点、单调趋势），因为这些成分会使HAC计算失效。 - Assumption 10 (HAC核与带宽)：标准HAC条件，如核函数有界、对称、在0处连续，带宽
L_T → ∞且L_T/√T → 0。这个带宽条件比最小要求L_T/T → 0稍强，用于处理可行plug-in估计的误差。
相比已有文献的强化/放宽：
* 相比Kakehi et al. (2026)：本文将其横截面、无重叠的有限总体GMM结果推广到了时间序列设定，允许矩贡献具有序列相关性。
* 相比传统HAC理论：本文没有假设原始矩过程g_t(W_t, θ⋆_T)是平稳的，而是将其分解为可能非平稳的均值路径µ_{T,t}和弱依赖的创新e_{T,t}。这使得理论能处理状态依赖的脉冲响应等更丰富的经济设定。
主要结果¶
- Theorem 1 (GMM估计量的渐近性质)：在给定假设下，GMM估计量
ˆθ_N是θ⋆_T的一致估计，并且√N(ˆθ_N - θ⋆_T) ⇒ N(0, Σ)，其中Σ是由设计方差Ω_R决定的sandwich协方差矩阵。这是设计框架下的基础极限理论。 - Proposition 1 (均值路径分解)：
Ω⁺_R = Ω_R + Ω_µ，且Ω_µ ⪰ 0。这是全文最核心的分解，揭示了HAC方差极限的保守性来源。Ω_µ是中心化均值路径˜µ_{T,t}的长期方差，是时间序列版本的处理效应异质性项。 - Theorem 2 (HAC估计量的概率极限)：可行的HAC估计量
ˆΩ⁺_R依概率收敛到Ω⁺_R，而不是Ω_R。这从理论上证明了传统HAC标准误是保守的。 - Corollary 3 & 4 (HAC推断的保守性)：由
Ω⁺_R构造的GMM协方差矩阵Σ⁺在Loewner序下大于等于由Ω_R构造的Σ。因此，基于HAC的Wald置信区间对于h(θ⋆_T)的标量函数具有渐近至少1-α的覆盖概率。 - Proposition 2 (投影调整的方差缩减)：使用预定协变量
z_t对矩进行投影调整后，得到的调整后HAC方差极限Ω⁺_R(r)在Loewner序下小于等于原始的Ω⁺_R。即Ω⁺_R(r) ⪯ Ω⁺_R。这个结果不依赖于额外的正交条件，是一个纯代数结果。 - Proposition 3 (投影调整的保守界解释)：在额外的长期正交条件
S⁺_{ez} = 0下，调整后的HAC方差极限Ω⁺_R(r)不仅是Ω⁺_R的缩减，而且仍然是Ω_R的保守估计，即Ω_R ⪯ Ω⁺_R(r) ⪯ Ω⁺_R。当调整协变量能完全张成中心化均值路径时，Ω⁺_R(r) = Ω_R。
证明路线与技术技巧¶
整体路线（以Theorem 1和Proposition 1为例）：
1. 一致性：证明样本准则函数J_N(θ)一致收敛于总体准则函数Q_T(θ)，然后利用Q_T(θ)在θ⋆_T处的分离性，证明ˆθ_N一致收敛于θ⋆_T。
2. 线性化：在ˆθ_N是内点局部最小化的事件上，利用一阶条件和均值展开，将√N(ˆθ_N - θ⋆_T)表示为-(GᵀAG)⁻¹GᵀA * √N(g_N(θ⋆_T) - ¯m_T(θ⋆_T)) + o_p(1)。
3. 中心极限定理：证明√N(g_N(θ⋆_T) - ¯m_T(θ⋆_T))收敛到均值为0、协方差为Ω_R的正态分布。这依赖于对中心化创新e_{T,t}的CLT（Assumption 2）。
4. 均值路径分解：将g_t(W_t, θ⋆_T) - ¯m_T(θ⋆_T)分解为e_{T,t} + ˜µ_{T,t}。计算其长期方差时，交叉项E_T[e_{T,t} ˜µ_{T,t-ℓ}]由于e_{T,t}条件均值为0而消失。因此，HAC方差极限Ω⁺_R等于e_{T,t}的长期方差Ω_R加上˜µ_{T,t}的长期方差Ω_µ。
关键跳跃点：
* 从横截面到时间序列：最关键的跳跃在于处理序列相关性。在横截面Neyman公式中，方差只包含同期项。在时间序列中，必须处理所有滞后项的协方差，形成长期方差。这要求对中心化创新e_{T,t}施加弱依赖性条件（Assumption 2），并证明其CLT。
* 均值路径的长期方差：另一个关键跳跃是认识到，即使均值路径˜µ_{T,t}是确定性的，它也可以有一个非零的“长期方差”Ω_µ。这个Ω_µ是通过对固定路径应用HAC公式计算出来的，它度量了该路径的“可预测变化”的持久性。证明Ω_µ的非负性（Lemma 2）是确保HAC保守性的关键。
技术技巧点名：
* Fejér恒等式：在Lemma 2中，用于证明确定性序列˜µ_{T,t}的长期方差Ω_µ是半正定的。通过构造一个有限样本的平方和，并利用Fejér核的恒等式，将长期方差与一个非负量联系起来。
* 三角阵列CLT (Peligrad, 1996)：用于证明中心化创新e_{T,t}的渐近正态性（Assumption 2(ii)的验证）。该定理适用于具有均匀强混合性和Lindeberg条件的三角阵列。
* 随机等度连续性 (Stochastic Equicontinuity)：在证明一致收敛性（Assumption 4）时，利用Lipschitz条件和紧参数空间，将一致收敛问题转化为有限个点上的收敛问题。
* HAC plug-in估计的误差控制：在证明可行HAC估计量的一致性时（Theorem 2），需要控制用ˆθ_N和g_N(ˆθ_N)替换θ⋆_T和¯m_T(θ⋆_T)所带来的误差。这利用了ˆθ_N的T⁻¹/²收敛速度和带宽条件L_T/√T → 0，通过矩不等式和Cauchy-Schwarz不等式进行控制。
真实例子与应用¶
-
蒙特卡洛模拟：
- 数据：一个AR(1)过程，
y_t = 0.85y_{t-1} + τ_t W_t + u_t，其中W_t是i.i.d. Rademacher冲击，τ_t是随时间变化的冲击效应。 - 设计A（对齐调整）：
τ_t = 1 + c_t，其中c_t是一个AR(1)状态变量。调整变量就是c_t本身。结果：在短期（h=0），HAC方差比设计方差大6倍，而投影调整（RA）将其缩小到1.6倍，接近Oracle的1倍。RA的置信区间长度也大幅缩短，覆盖概率接近名义水平。 - 设计B（非线性调整）：
τ_t = 1 + c_t + 0.75(c_t² - 1)，但调整变量仍然是c_t。结果：RA的改进效果减弱，因为线性调整无法完全捕捉非线性均值路径。 - 设计C（错误调整）：
τ_t = 1 + c_t，但调整变量是y_{t-1}。结果：RA几乎无效，与HAC表现相似。 - 结论：模拟验证了理论预测。HAC在均值路径变化大时是保守的。投影调整的有效性取决于调整变量是否能很好地追踪均值路径。当调整变量本身受冲击影响时（如设计C），调整可能失败。
- 数据：一个AR(1)过程，
-
货币政策应用：
- 数据：月度美国货币政策冲击（Jarociński and Karadi, 2024）和宏观数据。
- 方法：使用局部投影（LP）估计脉冲响应，并比较HAC和投影调整后的HAC标准误。调整变量集从简单的趋势项，到标准LP控制变量，再到包含更多宏观金融信息的“丰富宏观”集。
- 结果：使用丰富宏观协变量集进行投影调整后，标准误有显著下降。例如，对于CPI的对数，平均标准误减少了16.12%；对于BAA-AAA利差，减少了22.02%。点估计基本不变。这表明这些预定协变量捕捉到了均值矩路径中的可预测变化。
- 例子想说明什么：这个应用展示了理论结果在真实宏观数据中的相关性。它诊断了HAC矩变化中可被经济信息解释的部分，并说明投影调整可以提供一个更紧的（尽管不一定是最优的）推断。作者谨慎地指出，这主要是一个诊断工具，其作为更紧保守界的解释依赖于额外的正交条件。
🔎 结论是否比证明窄¶
- 是。论文的主要定理（Theorem 1, 2）是在“局部正确设定”（Assumption 5）下严格证明的。然而，在引言和结论中，作者有时会泛泛地声称HAC是“保守的”。这个结论严格依赖于
Ω_µ ⪰ 0，而Ω_µ的存在和性质又依赖于Assumption 9（均值路径具有稳定的长期方差）。如果均值路径包含未被建模的持久低频成分（如永久性断点），Assumption 9不成立，那么HAC的保守性结论可能不成立，甚至HAC估计量本身可能不收敛到一个有限极限。 - 另一个窄化：投影调整作为更紧保守界的解释（Proposition 3）依赖于
S⁺_{ez} = 0这个长期正交条件。作者在正文中承认，对于由过去冲击生成的随机滞后宏观变量，这个条件是一个“实质性的限制”（substantive restriction），而不仅仅是时序上的“预定”（predetermined）。因此，在应用中，投影调整的标准误缩减主要被解释为一种诊断，而非一个严格的更紧保守界。论文的结论部分也明确指出了这一点。
四、开放问题¶
- 高维调整：论文的投影调整结果是针对固定维度的协变量。当协变量维度很高或通过数据选择时，如何将调整步骤纳入矩条件或证明其渐近可忽略性？这扎根于论文第6节末尾的陈述：“The result is fixed-dimensional; high-dimensional or data-selected adjustment sets require incorporating the selection step into the moment or proving that it is asymptotically negligible.”
- 固定-b推断：论文主要使用了增长带宽（diverging bandwidth）的HAC。对于固定-b（fixed-b）渐近理论，均值路径分解和投影调整的结果会如何变化？这扎根于论文第5.1节末尾的陈述：“Quadratic-spectral kernels, prewhitening, and fixed-b asymptotics require separate arguments.”
- 生成冲击与第一阶段的误差：当冲击或工具变量是估计出来的（如高频冲击），其第一阶段误差应如何处理？论文在附录A.8中提出了一个增广矩向量的方法，但将其整合到完整的HAC和投影调整理论中是一个开放问题。这扎根于论文第4.1节和附录A.8的讨论。
- 局部误设定下的过度识别GMM：论文的主要结果依赖于局部正确设定（Assumption 5）。在局部误设定下，GMM估计量的影响函数会包含雅可比矩阵的波动项，其HAC分解会更复杂（如Proposition 9所示）。如何在此情况下进行有效的设计推断是一个开放问题。这扎根于论文第4.3节和附录A.7的讨论。
Maintained by 陈星宇 · Homepage · Source on GitHub